数字化安全生产平台DPS重磅发布，助力传统运维向SRE转型 - 周洋

数字化安全生产平台DPS发布总结

01 安全生产的理念和价值

• 安全生产理念：为提升生产系统业务连续性、灾难恢复能力，建设高可用架构系统和SRE型运维团队而采取的一系列措施和活动。
• 核心方法论：可用性（99.99X%）、灾难恢复（RTO<30s，RPO≈0）、组织效能（1-5-10牵引指标）。
• 关键指标：可用性改进、可靠发布效能提升、故障管理、应急处理演练验收。

02 数字化安全生产平台（DPS）发布

场景一：分布式系统面临稳定性保障新挑战

• 问题：技术不恰当使用、人为操作失误、硬件故障、自然灾害、安全攻击仍导致重大故障。
• 案例：韩国数据中心火灾、证券IDC故障、社交平台配置变更故障等，影响巨大。
• 技术挑战：全链路压测、分布式应用服务、云原生DevOps持续交付、容器微服务等。

场景二：政策引导IT系统稳定性建设平稳推进

• 政策背景：数字化转型推动“国民级应用”诞生，用户群体广、业务迭代快、故障影响大。
• 应用场景：数字政府、数字防疫、新零售、金融互联网银行、智能风控等。

场景三：传统运维手段已无法满足要求

• SRE理念：通过软件管理系统，自动化完成操作工作。
• PlatformOps理念：将基础设施、运维、云管理纳入统一规划，推动IT架构持续演进。
• 安全生产新解释：提升业务连续性、灾难恢复能力，建设高可用架构系统和SRE型运维团队。

数字化安全生产平台是什么？

• 定位：一站式管控SRE运维平台，浓缩阿里巴巴十年运维经验。
• 目标：保障业务连续性，支持业务场景如医保数字化防疫、金融核心系统上云、新零售大促保障等。
• 核心能力：故障快恢（1-5-10）、变更管控（可灰度、可回滚、可观测）。

数字化安全生产平台的亮点

场景一：“1-5-10”故障快恢

• 目标：提升故障1分钟发现，5分钟响应&定位，10分钟恢复能力。
• 产品能力：业务场景梳理、故障结构化定义、智能告警、故障通告、快恢能力建设。
• 应急协同：CHATOPS业务初因定位、应用根因定位、快恢系统集成、快恢预案编排。
• 监控指标：门户数据报表、故障报表、事件报表、团队报表、人员评价、重大故障收敛、无重大故障时长（MTBF,MTTR）、业务可用性指标（SLO,SLI）。

场景二：“变更三板斧”故障预防

• 目标：业务全方位变更管控，可灰度、可回滚、可观测。
• 产品能力：变更系统监控中心、快恢中心、应用发布、应用回滚、配置变更、数据库操作、实例操作、网络变更等。
• 智能风控：观测稳态度量引擎、灰度分批强管控、变更影响面感知及预案关联、可疑变更推荐。
• 变更审批：自定义审批流、一键审批、自动化免批审批策略定义、审批流可审计。

数字化管理流程

• 故障概况：业务全局健康度、子业务问题、历史故障趋势。
• 应急值班：实时了解当前应急值班人员繁忙度。
• 实时监测：监控预警、变更实时播报。

云原生平台架构

• 架构组件：开发者DPS POD、Custom Resource、Recovery Product、Alert Product、Monitor Product、Change Product、Operator Product、Product Pod、MSHA POD、EDAS POD、ECS POD、自定义POD修改、DPS Cluster Controller、Gateway Console、Alert Monitor、MSHA API管理、阿里云Product Controller、Instance Controller、Job Controller。
• 支持环境：阿里云、异构云、自建IDC、DAS三方系统、ACOS。